面向黑箱机器人策略的调节器驱动鲁棒时序验证
机器人学
2026-03-06 v2
摘要
我们提出了一种新颖的、调节器驱动的方法，用于黑箱自主机器人策略的时序验证，灵感来自实际认证过程，其中监管机构常在没有访问模型内部信息的情况下评估可观察行为。我们方法的核心是一种监管机构-in-the-loop 方法，用于将来自黑箱策略的执行轨迹与时序安全要求进行评估。这些要求以优先级排序的 Signal Temporal Logic（STL）规范表达，描述随时间的行为变化并将领域知识编码到验证过程中。我们使用 Total Robustness Value（TRV）和 Largest Robustness Value（LRV）来量化平均性能和最坏情况遵守情况，提出 Average Violation Robustness Value（AVRV）来衡量平均规范违反情况。这些指标共同指导针对性的再训练和迭代模型改进。我们的方法容纳多种时序安全要求（例如车道保持、延迟加速度和转向平顺性），捕获持久性、序列和响应，涵盖两个不同领域（虚拟赛车游戏和移动机器人导航）。在两个情景中涵盖六个 STL 规范，监管器导向的再训练将满足率提高了平均 43.8%，在半数的规范中实现平均性能（TRV）的一致性提高和违反严重性（LRV）的减少。最后，针对 TurtleBot3 机器人的实际验证显示，平滑导航满足度提高了 27%，实现更平滑的路径并更好地遵守 STL 定义的时序安全要求。
关键词
引用
@article{arxiv.2511.17781,
title = {ROVER: Regulator-Driven Robust Temporal Verification of Black-Box Robot Policies},
author = {Kristy Sakano and Jianyu An and Dinesh Manocha and Huan Xu},
journal= {arXiv preprint arXiv:2511.17781},
year = {2026}
}